智能设备以及智能设备的用户身份验证方法和装置与流程

本发明涉及数据处理技术领域，尤其涉及一种智能设备的用户身份验证方法及装置、一种智能设备、一种计算机可读存储介质和一种包括一个或多个计算装置和一个或多个存储装置的系统。

背景技术：

随着可穿戴设备的普及，可穿戴设备的功能也更加的多元化，比如，早期的智能手环只是用于检测体温、心率等人体体征信息，运动量信息等，而现在的智能手环不仅可以检测人体体征信息和运动量，还可以根据这些信息向用户反馈一些用户设定信息，如热量消耗，推荐运动方式，运动时间等等，甚至有的可穿戴设备还能够实现一些设计用户个人信息的功能，如电子支付等，则这些功能的实现都是具有很强的用户针对性，也就是需要对使用可穿戴设备的用户进行身份验证后才可以实现。

然而，对于可穿戴设备而言，受到设备自身的体积、外形等因素，其身份验证的方式并不像手机、笔记本等设备一样丰富，比如，智能手环为了确保其轻便的可携带性，很多都不具有显示屏幕或者屏幕很小，因此，如果使用智能手环完成支付时，就无法通过密码或指纹等验证方式对用户身份进行验证。对此，很多可穿戴设备都是通过开通小额的免密支付方式解决，然而，这样并不能保证用户的财产安全，这也是大量用户不使用可穿戴设备进行支付功能的主要原因。而目前可穿戴设备的用户身份验证方式多是通过可穿戴设备内置的某种传感器检测使用者佩戴后的动作进行验证，但是，这种方式在识别准确率与用户使用体验上存在着天然矛盾，即如果要准确识别用户，就需要佩戴者在每次验证时都做出标准的验证动作，一旦动作不匹配，就会导致验证失败。而如果要向用户提供好的识别体验，就需要放宽动作的识别误差范围，如此，将很难保证佩戴者为用户本人，导致身份验证无法起到应有的作用。

技术实现要素：

鉴于上述问题，本发明提出了一种智能设备以及智能设备的用户身份验证方法和装置，主要目的在于提高智能设备的用户身份验证的准确性以及实用性。

为达到上述目的，本发明主要提供如下技术方案：

一方面，本发明提供一种智能设备的用户身份验证方法，具体包括：

采集智能设备中至少一类传感器的数据；

利用行为识别模型处理所述至少一类传感器的数据，得到当前使用所述智能设备的用户的身份验证结果；其中，所述行为识别模型包括一个或多个基模型和一个融合模型，每一个传感器的数据由一个基模型处理或分别由多个对应不同机器学习算法的基模型处理，每一个基模型用于处理对应的一个传感器的数据，融合模型以各基模型的输出结果作为输入特征并输出所述身份验证结果；

根据所述身份验证结果执行相应的操作。

优选的，所述利用行为识别模型处理所述至少一类传感器的数据，得到当前使用所述智能设备的用户的身份验证结果包括：

将所述至少一类传感器的数据发送给服务器，由服务器利用行为识别模型处理所述至少一类传感器的数据；

接收服务器返回的身份验证结果。

优选的，该方法在采集智能设备中至少一类传感器的数据，利用行为识别模型处理所述至少一类传感器的数据之前，还包括：

在确认使用所述智能设备的用户为本人的情况下，采集智能设备中的所述至少一类传感器的数据，并发送给服务器，以便服务器获得用于训练所述行为识别模型的正样本。

优选的，

所述利用行为识别模型处理所述至少一类传感器的数据，得到当前使用所述智能设备的用户的身份验证结果包括：将所述至少一类传感器的数据发送给本地的行为识别模型，并获取该行为识别模型输出的身份验证结果；

本地的所述行为识别模型是从服务器获得的，或者，本地的所述行为识别模型是在本地训练得到的。

优选的，在本地训练所述行为识别模型包括：

在确认使用所述智能设备的用户为本人的情况下，采集智能设备中的所述至少一类传感器的数据，生成用于训练所述行为识别模型的正样本；

在确认使用所述智能设备的用户为非本人的情况下，采集智能设备中的所述至少一类传感器的数据，生成用于训练所述行为识别模型的负样本；或者，从服务器接收用于训练所述行为识别模型的负样本；

基于正样本和负样本训练所述行为识别模型。

优选的，所述方法还包括：

通过所述智能设备中的加速度传感器判断所述智能设备是否处于运动状态，若是，则执行所述采集智能设备中至少一类传感器的数据的操作；

和/或，

检测所述智能设备中是否在执行指定操作，若是，则执行所述采集智能设备中至少一类传感器的数据的操作。

优选的，在利用行为识别模型处理所述至少一类传感器的数据之前，所述方法还包括：

对于采集的所述至少一类传感器的数据中的每条传感器数据，判断该条传感器数据中的异常值/缺失值占比超过阈值；

若超过阈值，舍弃该条传感器数据；

若未超过阈值，利用异常值/缺失值前后预定数量位置的值的均值替换所述异常值/缺失值。

优选的，在利用行为识别模型处理所述至少一类传感器的数据之前，所述方法还包括：

对采集的每个传感器的数据进行特征提取处理；

其中，提取的特征包括统计特征和时序特征。

优选的，所述根据所述身份验证结果执行相应的操作包括：

当所述身份验证结果表示是本人时，不执行相关操作；

当所述身份验证结果表示非本人时，执行强制执行操作，或者先执行强验证操作，当强验证操作不通过时再执行强制执行操作。

优选的，所述强制执行操作包括如下中的一种或多种：

关机；

格式化存储信息；

向服务器发送当前实时的位置信息；

开启录音功能，并将所录音的内容发送给服务器；

开启拍照/摄像功能，并将所拍摄的内容发送给服务器。

优选的，所述强验证操作包括如下中的一种或多种：

指纹认证操作；

声纹认证操作；

人脸识别认证操作；

密码认证操作。

优选的，所述智能设备包括：手机；智能穿戴设备。

优选的，所述至少一类传感器包括如下传感器中的一种或多种：

加速度传感器；

陀螺仪；

磁力计。

另一方面，本发明提供一种智能设备的用户身份验证装置，具体包括：

数据采集单元，用于采集智能设备中至少一类传感器的数据；

数据验证单元，用于利用行为识别模型处理所述数据采集单元采集的至少一类传感器的数据，得到当前使用所述智能设备的用户的身份验证结果；其中，所述行为识别模型包括一个或多个基模型和一个融合模型，每一个传感器的数据由一个基模型处理或分别由多个对应不同机器学习算法的基模型处理，每一个基模型用于处理对应的一个传感器的数据，融合模型以各基模型的输出结果作为输入特征并输出所述身份验证结果；

操作执行单元，用于根据所述数据验证单元得到的身份验证结果执行相应的操作。

优选的，所述数据验证单元包括：

数据发送模块，用于将所述至少一类传感器的数据发送给服务器，由服务器利用行为识别模型处理所述至少一类传感器的数据；

结果接收模块，用于接收服务器返回的身份验证结果。

优选的，该装置还包括：

样本采集上报单元，用于在采集智能设备中至少一类传感器的数据，利用行为识别模型处理所述至少一类传感器的数据之前，在确认使用所述智能设备的用户为本人的情况下，采集智能设备中的所述至少一类传感器的数据，并发送给服务器，以便服务器获得用于训练所述行为识别模型的正样本。

优选的，

所述数据验证单元还用于，将所述至少一类传感器的数据发送给本地的行为识别模型，并获取该行为识别模型输出的身份验证结果；

该装置还包括：模型获取单元或模型训练单元；

模型获取单元，用于从服务器获取已训练的所述行为识别模型；

模型训练单元，用于在本地训练所述行为识别模型。

优选的，所述模型训练单元包括：

正样本采集模块，用于在确认使用所述智能设备的用户为本人的情况下，采集智能设备中的所述至少一类传感器的数据，生成用于训练所述行为识别模型的正样本；

负样本采集模块，用于在确认使用所述智能设备的用户为非本人的情况下，采集智能设备中的所述至少一类传感器的数据，生成用于训练所述行为识别模型的负样本；或者，用于从服务器接收用于训练所述行为识别模型的负样本；

模型训练模块，用于基于正样本和负样本训练所述行为识别模型。

优选的，所述装置还包括：

状态判断单元，用于通过所述智能设备中的加速度传感器判断所述智能设备是否处于运动状态，若是，则由所述数据采集单元执行所述采集智能设备中至少一类传感器的数据的操作；

和/或，

操作检测单元，用于检测所述智能设备中是否在执行指定操作，若是，则由所述数据采集单元执行所述采集智能设备中至少一类传感器的数据的操作。

优选的，所述装置还包括：

数据判断单元，用于在数据验证单元执行利用行为识别模型处理所述至少一类传感器的数据之前，对于采集的所述至少一类传感器的数据中的每条传感器数据，判断该条传感器数据中的异常值/缺失值占比超过阈值；

数据删除单元，用于当所述数据判断单元确定超过阈值时，舍弃该条传感器数据；

数据处理单元，用于当所述判断单元确定未超过阈值时，利用异常值/缺失值前后预定数量位置的值的均值替换所述异常值/缺失值，以便所述数据验证单元根据处理后的数据进行用户的身份验证。

优选的，所述装置还包括：

特征提取单元，用于在所述数据验证单元利用行为识别模型处理所述至少一类传感器的数据之前，对采集的每个传感器的数据进行特征提取处理；

其中，提取的特征包括统计特征和时序特征。

优选的，所述操作执行单元具体用于：

当所述身份验证结果表示是本人时，不执行相关操作；

当所述身份验证结果表示非本人时，执行强制执行操作，或者先执行强验证操作，当强验证操作不通过时再执行强制执行操作。

优选的，所述操作执行单元中执行的强制执行操作包括如下中的一种或多种：

关机；

格式化存储信息；

向服务器发送当前实时的位置信息；

开启录音功能，并将所录音的内容发送给服务器；

开启拍照/摄像功能，并将所拍摄的内容发送给服务器。

优选的，所述操作执行单元中执行的强验证操作包括如下中的一种或多种：

指纹认证操作；

声纹认证操作；

人脸识别认证操作；

密码认证操作。

优选的，所述至少一类传感器包括如下传感器中的一种或多种：

加速度传感器；

陀螺仪；

磁力计。

另一方面，本发明提供一种智能设备，所述智能设备中设置有上述的智能设备的用户身份验证装置，所述智能设备包括如下设备中的一种：手机；智能穿戴设备。

另一方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被一个或多个计算装置执行时实现上述的智能设备的用户身份验证方法。

另一方面，本发明提供一种包括一个或多个计算装置和一个或多个存储装置的系统，所述一个或多个存储装置上记录有计算机程序，所述计算机程序在被所述一个或多个计算装置执行时使得所述一个或多个计算装置实现上述的智能设备的用户身份验证方法。

借由上述技术方案，本发明提供的一种智能设备的用户身份验证方法及装置，通过采集智能设备中的至少一类传感器的数据，利用行为识别模型对这些数据进行统一的处理，获取该行为识别模型输出的当前使用者的身份验证结果，再根据该身份验证结果执行相应的操作。由于行为识别模型具有同时对多种传感器的数据进行处理识别的能力，使得该行为识别模型能够从多个维度来识别智能设备使用者做出的验证动作，从而提高对用户身份的识别验证的准确率。并且，本发明中的智能设备能够基于行为识别模型得到的身份验证结果进一步不执行相应的操作，使得使用者能够通过该操作对验证结果进行进一步地纠错，提高了智能设备与用户的交互能力，为用户提供更为友好的身份验证体验。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提出的一种智能设备的用户身份验证方法的流程图；

图2示出了本发明实施例提出的另一种智能设备的用户身份验证方法的流程图；

图3示出了本发明实施例提出的一种智能设备的用户身份验证装置的组成框图；

图4示出了本发明实施例提出的另一种智能设备的用户身份验证装置的组成框图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种智能设备的用户身份验证方法，该方法应用于验证使用智能设备用户的用户身份。本方法具体步骤如图1所示，包括：

101、采集智能设备中至少一类传感器的数据。

其中，不同类型的传感器的数据能够从不同的维度对智能设备的使用用户的行为进行描述，因此，在本发明的一个实施例中可以通过采集智能设备中的多种传感器的数据，可以更为精确地刻画当前用户的操作行为。

由此，可见本发明实施例中的智能设备也需要设置有至少一类的传感器，以便在用户使用该智能设备时能够采集到对应用户行为的数据。

102、利用行为识别模型处理至少一类传感器的数据，得到当前使用智能设备的用户的身份验证结果。

本实施例中的行为识别模型是由一个或多个基模型和一个融合模型所构成的。

其中，每一个传感器的数据由一个基模型处理或分别由多个对应不同机器学习算法的基模型处理，每一个基模型用于处理对应的一个传感器的数据，并且每一个基模型都是通过相应的机器学习算法训练得到的。需要说明的是，由于机器学习算法种类众多，对于同一个传感器的数据，可使用多个不同机器学习算法训练的基模型进行处理，常见的机器学习算法如决策树、lr分析法、svm算法、朴素贝叶斯分类、最小二乘法等。也就是说，一个传感器的数据可以输入多个基模型中进行处理，而一个基模型则对应获取唯一的一个传感器的数据。行为识别模型中所包含的基模型数量本实施例中不作限定，需要根据实际需求自定义设置，基模型的数量越多，对应的用户行为描述的维度也就更高，对用户行为的刻画精度也越高。此外，行为识别模型中的融合模型用于通过模型融合技术，以上述各个基模型的输出作为输入特征进行训练，输出最终的身份验证结果。

训练所述行为识别模型的训练样本数据是带标签的数据，例如，与智能设备绑定的用户本人的行为数据(即传感器采集的数据)是正样本，标签为1，其他用户的行为数据(也是传感器采集的数据)是负样本，标签为0，则行为识别模型最后输出的身份验证结果的形式可以是对输入行为数据是否为与智能设备绑定的用户本人的行为数据的判断打分值，该身份验证结果为一个0到1之间的数值，可以认为该数值是表示当前用户为与智能设备绑定的用户本人的概率大小。

103、根据身份验证结果执行相应的操作。

通过行为识别模型得到的身份验证结果可以判断当前使用智能设备的用户是否为设置的用户本人，而本步骤则是根据该身份验证结果执行相应的操作，该操作包括：是用户本人时所执行的操作，如调用某个预置的应用程序等；以及不是用户本人时所执行的操作，该操作具体可以是阻止当前用户继续使用该智能设备的操作，也可以是对当前用户进行进一步验证身份的操作。

通过上述图1所示的实施例可以看出，本发明实施例在对智能设备进行用户的身份验证时，通过采集智能设备中的至少一类传感器的数据，使用行为识别模型对这些数据进行身份验证，并输出身份验证结果，之后根据该结果执行相应的操作。可见，本发明利用行为识别模型可以对用户的行为进行多维度的刻画、识别，从而使得身份验证结果更为准确。

进一步的，针对图1所述的步骤102的具体实现，本发明实施例中一种方式是将行为识别模型设置在服务器一端，智能设备的具体操作为：首先，将至少一类传感器的数据发送给服务器，由服务器利用行为识别模型处理所述至少一类传感器的数据。之后，接收该服务器返回的身份验证结果。

该方式对于智能设备而言，无需进行大量数据处理，仅需将所采集的传感器参数上报给服务器，在根据服务器反馈的身份验证结果执行相应的操作即可。如此，可以减低对智能设备的数据计算能力的要求，从而将该身份验证方式应用于现有的多种智能设备中。

此外，对于将行为识别模型设置在服务器一端的情况，本发明实施例在执行身份验证之前，即采集智能设备中至少一类传感器的数据，利用行为识别模型处理该至少一类传感器的数据之前，还需要该智能设备先上传其用户本人在使用过程中的各个类型传感器的数据，以供服务器作为正样本对行为识别模型进行训练，对此，智能设备对应的执行的操作为：

在确认使用智能设备的用户为本人的情况下，采集智能设备中的至少一类传感器的数据，并发送给服务器，以便服务器获得用于训练行为识别模型的正样本。

其中，智能设备确认使用智能设备的用户为本人的具体方式本实施例中不做具体限定，比如，用户在注册登录该智能设备后，其操作行为确认为用户本人的行为。

需要说明的是，向服务器上传用于训练行为识别模型的正样本数据的过程与上述的身份验证过程是两个独立的过程，只是在执行身份验证过程之前，需要先向服务器提供一定数量的正样本以训练行为识别模型，而在后续的智能设备使用过程中，智能设备也可以不定期地向服务器上报用户本人的正样本数据。服务器则可以根据智能设备所提供的数据扩充样本数据，从而训练得到准确性更高的行为识别模型。

而本发明实施例中的另一种方式则是将行为识别模型设置在智能设备本地，此时，智能设备的具体操作为：将至少一类传感器的数据发送给智能设备的本地的行为识别模型，并获取该行为识别模型输出的身份验证结果。

需要说明的是，设置在智能设备本地中的行为识别模型，在使用前也需要进行训练，具体的，该行为识别模型可以是在智能设备本地进行训练，也是可以是本地通过服务器获取已经训练好的行为识别模型，即该行为识别模型是在服务器一端进行训练的。对于从服务器获取已经训练好的行为识别模型的情况，此时，该行为识别模型的训练是在服务器一端实现，具体方式前述已做说明，此处不再赘述。而对于在本地训练行为识别模型的情况，则需要分别采集正样本与负样本对模型进行训练，本发明实施例对于采集智能设备本地的正样本与负样本的优选实现方式为：

第一，在确认使用智能设备的用户为本人的情况下，采集智能设备中的至少一类传感器的数据，生成用于训练行为识别模型的正样本。

第二，在确认使用智能设备的用户为非本人的情况下，采集智能设备中的至少一类传感器的数据，生成用于训练所述行为识别模型的负样本；或者，从服务器接收用于训练行为识别模型的负样本。

考虑到智能设备本地存储空间有限，在获取正样本与负样本时，需要对样本数量加以限制，具体数量可以根据不同智能设备的存储容量或计算能力而确定，但是，该数量的样本应能够保证所训练得到的行为识别模型具有较高的验证准确率。进一步的，在限定样本数量的情况下，智能设备还可以将新得到的正样本或负样本用于更新原有的样本，以使训练得到的行为识别模型的验证结果更准确。

之后，根据所得到的正样本和负样本训练行为识别模型。在本发明的实施例中，具体的行为识别模型训练过程是：先基于各自对应的样本数据分别训练各基模型，训练好基模型后再训练融合模型，在训练融合模型时将样本数据(同一时段采集的各个传感器的数据)依据传感器与基模型的对应关系输入到对应的各个训练好的基模型，各个基模型的输出作为融合模型的输入，将融合模型的输出与该样本数据的标签进行比较得到融合模型的损失(loss)，根据该损失对融合模型进行训练。

进一步的，在本发明图1所示实施例的步骤101执行前，由于要采集多个类型传感器的数据，就需要让这些传感器处于开启状态，以便实时采集数据。然而这种方式对于智能设备具有较高的能耗，为了降低能耗，增加智能设备的使用时长，本实施例可以通过一些检测操作，在用户使用智能设备时，再开启多个类型传感器，其具体的方式包括：

一种方式为：通过智能设备中的加速度传感器判断该智能设备是否处于运动状态，若是，则执行步骤101。

另一种方式为：检测智能设备中是否在执行指定操作，若是，则执行步骤101。其中，该指定操作可以有智能设备的用户本人自定义设置，如支付行为等。

进一步的，在本发明的一个优选实施例中，对所采集到的至少一类传感器的数据，还可以做进一步处理，包括：

对于采集的至少一类传感器的数据中的每条传感器数据，判断该条传感器数据中的异常值/缺失值占比超过阈值；其中，一条传感器数据是指一个传感器在单位时间(单位时间的长度可以根据实际情况进行设置)内所采集的数据集合，该数据集合中可以是一个值，也可以是多个值。

若超过阈值，舍弃该条传感器数据；

若未超过阈值，利用异常值/缺失值前后预定数量位置的值的均值替换该异常值/缺失值。

经过以上处理，可以判断一条传感器数据是否可用，如果不可用则直接舍弃，而如果可用，则对该条传感器数据中的异常值/缺失值进行替换，以确保该条传感器数据中的所有值都是正常值。

进一步的，在本发明的一个优选实施例中，对所采集到的至少一类传感器的数据，还可进一步处理：

对采集的每个传感器数据进行特征提取处理。其中，提取的特征包括统计特征和时序特征。提取的统计特征如计算各条传感器数据中的最大值、最小值、均值、中位数、分位数等；而提取的时序特征如计算时间轴上某一点的当前值，以及预置时间间隔前后的值等。

通过该处理，可以将各个传感器数据处理为对应的基模型输入所需的数据。也就是说，该处理是根据传感器对应的一个或多个基模型，对该传感器所采集的数据按照基模型的输入需求进行特征提取，以便基模型接收并分析传感器数据。

进一步的，针对图1所示实施例的步骤103，本发明的另一优选实施例是将身份验证结果分为本人与非本人，其中，本人是指智能设备的所有人。而根据身份验证结果执行相应的操作，具体包括：

当身份验证结果表示是本人时，不执行相关操作；

当身份验证结果表示非本人时，执行强制执行操作，或者先执行强验证操作，当强验证操作不通过时再执行强制执行操作。

其中，“不执行相关操作”是指在本人使用智能设备时，无需执行其他操作，完全执行用户的操作指令即可。

“强制执行操作”是指在非本人使用智能设备时，可以对非本人的操作进行一定的操作限制。在本实施例中，强制执行操作包括但不限于：关机；格式化存储信息；向服务器发送当前实时的位置信息；开启录音功能，并将所录音的内容发送给服务器；开启拍照/摄像功能，并将所拍摄的内容发送给服务器等等。通过该操作可以确保智能设备的使用安全性。

而“强验证操作”是指在非本人使用智能设备时，对当前的用户进行进一步的身份验证，以确定当前用户是否为本人。在本实施例中，强验证操作包括但不限于：指纹认证操作；声纹认证操作；人脸识别认证操作；密码认证操作等。

通过上述的说明可以看出，基于图1所示的实施例，本发明对其各个步骤的优选实现方式，以及用户身份验证的整体流程进行了详细说明。需要指出的是，上述的各个优选实施例均可以与图1所示实施例进行组合，从而实现多种的用户身份验证方法，本发明不再逐一举例说明，以下将通过图2所示的实施例，说明本发明中的一个优选验证过程，其具体步骤如图2所示，包括：

201、通过智能设备中的加速度传感器判断智能设备是否处于运动状态。

若是，则执行步骤203。

202、检测智能设备中是否在执行指定操作。

若是，则执行步骤203。

203、采集智能设备中至少一类传感器的数据。

其中，智能设备中的传感器包括但不限于：加速度传感器、陀螺仪、磁力计等。

204、对于采集的至少一类传感器的数据中的每条传感器数据，判断该条传感器数据中的异常值/缺失值占比超过阈值；若超过阈值，舍弃该条传感器数据；若未超过阈值，利用异常值/缺失值前后预定数量位置的值的均值替换该异常值/缺失值。

205、对采集的每个传感器的数据进行特征提取处理。

206、利用行为识别模型处理至少一类传感器的数据，得到当前使用智能设备的用户的身份验证结果。

其中，行为识别模型具体可以设置在智能设备的本地进行处理，也可以设置与服务器中进行处理。

207、当身份验证结果表示是本人时，不执行相关操作。

208、当身份验证结果表示非本人时，执行强制执行操作，或者先执行强验证操作，当强验证操作不通过时再执行强制执行操作。

通过上述各步骤的执行，可以对使用智能设备的当前用户进行准确的识别，判断用户身份是否为本人，并且对于非本人用户执行相应的操作，以确保智能设备的使用安全。并且，对于本发明实施例，还提出了一种具有多个基模型和一个融合模型结构的行为识别模型，该行为识别模型能够对所采集的多类传感器的数据进行综合处理，以识别当前用户的身份是否为本人。该行为识别模型相对于现有的针对单类传感器数据进行识别验证的模型，具有更高的识别精度，提高了用户身份验证的准确性。

进一步的，作为对上述智能设备的用户身份验证方法的实现，本发明实施例提供了一种智能设备的用户身份验证装置，该装置设置于智能设备中，主要用于验证使用智能设备用户的用户身份。为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置如图3所示，具体包括：

数据采集单元301，用于采集智能设备中至少一类传感器的数据；

数据验证单元302，用于利用行为识别模型处理所述数据采集单元301采集的至少一类传感器的数据，得到当前使用所述智能设备的用户的身份验证结果；其中，所述行为识别模型包括一个或多个基模型和一个融合模型，每一个传感器的数据由一个基模型处理或分别由多个对应不同机器学习算法的基模型处理，每一个基模型用于处理对应的一个传感器的数据，融合模型以各基模型的输出结果作为输入特征并输出所述身份验证结果；

操作执行单元303，用于根据所述数据验证单元302得到的身份验证结果执行相应的操作。

进一步的，如图4所示，所述数据验证单元302包括：

数据发送模块3021，用于将所述至少一类传感器的数据发送给服务器，由服务器利用行为识别模型处理所述至少一类传感器的数据；

结果接收模块3022，用于接收服务器返回的身份验证结果。

进一步的，如图4所示，该装置还包括：

样本采集上报单元304，用于在采集智能设备中至少一类传感器的数据，利用行为识别模型处理所述至少一类传感器的数据之前，在确认使用所述智能设备的用户为本人的情况下，采集智能设备中的所述至少一类传感器的数据，并发送给服务器，以便服务器获得用于训练所述行为识别模型的正样本。

进一步的，如图4所示，所述数据验证单元302还用于，将所述至少一类传感器的数据发送给本地的行为识别模型，并获取该行为识别模型输出的身份验证结果；

该装置还包括：模型获取单元305或模型训练单元306；

所述模型获取单元305，用于从服务器获取已训练的所述行为识别模型；

所述模型训练单元306，用于在本地训练所述行为识别模型。

进一步的，如图4所示，所述模型训练单元306包括：

正样本采集模块3061，用于在确认使用所述智能设备的用户为本人的情况下，采集智能设备中的所述至少一类传感器的数据，生成用于训练所述行为识别模型的正样本；

负样本采集模块3062，用于在确认使用所述智能设备的用户为非本人的情况下，采集智能设备中的所述至少一类传感器的数据，生成用于训练所述行为识别模型的负样本；或者，用于从服务器接收用于训练所述行为识别模型的负样本；

模型训练模块3063，用于基于所述正样本采集模块3061得到的正样本和所述负样本采集模块3062得到的负样本训练该行为识别模型。

进一步的，如图4所示，所述装置还包括：

状态判断单元307，用于通过所述智能设备中的加速度传感器判断所述智能设备是否处于运动状态，若是，则由所述数据采集单元301执行所述采集智能设备中至少一类传感器的数据的操作；

操作检测单元308，用于检测所述智能设备中是否在执行指定操作，若是，则由所述数据采集单元301执行所述采集智能设备中至少一类传感器的数据的操作。

所述状态判断单元307与操作检测单元308即可以单独应用，也可以共同使用，以判断是否采集至少一类传感器的数据。

进一步的，如图4所示，所述装置还包括：

数据判断单元309，用于在数据验证单元302执行利用行为识别模型处理所述至少一类传感器的数据之前，对于采集的所述至少一类传感器的数据中的每条传感器数据，判断该条传感器数据中的异常值/缺失值占比超过阈值；

数据删除单元310，用于当所述数据判断单元309确定超过阈值时，舍弃该条传感器数据；

数据处理单元311，用于当所述判断单元309确定未超过阈值时，利用异常值/缺失值前后预定数量位置的值的均值替换所述异常值/缺失值，以便所述数据验证单元302根据处理后的数据进行用户的身份验证。

进一步的，如图4所示，所述装置还包括：

特征提取单元312，用于在所述数据验证单元302利用行为识别模型处理所述至少一类传感器的数据之前，对采集的每个传感器的数据进行特征提取处理；其中，提取的特征包括统计特征和时序特征。

进一步的，所述操作执行单元303具体用于：

当所述身份验证结果表示是本人时，不执行相关操作；

当所述身份验证结果表示非本人时，执行强制执行操作，或者先执行强验证操作，当强验证操作不通过时再执行强制执行操作。

进一步的，所述操作执行单元303中执行的强制执行操作包括如下中的一种或多种：关机；格式化存储信息；向服务器发送当前实时的位置信息；开启录音功能，并将所录音的内容发送给服务器；开启拍照/摄像功能，并将所拍摄的内容发送给服务器。

进一步的，所述操作执行单元303中执行的强验证操作包括如下中的一种或多种：指纹认证操作；声纹认证操作；人脸识别认证操作；密码认证操作。

进一步的，所述数据采集单元301采集的至少一类传感器包括如下传感器中的一种或多种：加速度传感器；陀螺仪；磁力计。

进一步的，本发明实施例还提供一种智能设备，该智能设备中设置有上述图3或图4所示的用户身份验证装置，通过该装置获取当前使用所述智能设备的用户的身份验证结果，并根据该身份验证结果执行相应的操作。

该智能设备包括但不限于手机和智能穿戴设备。其中，智能穿戴设备可以是智能眼镜、蓝牙耳机、智能手环、智能手表等。

进一步的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被一个或多个计算装置执行时实现上述的智能设备的用户身份验证方法。

另外，本发明实施例还提供了一种包括一个或多个计算装置和一个或多个存储装置的系统，所述一个或多个存储装置上记录有计算机程序，所述计算机程序在被所述一个或多个计算装置执行时使得所述一个或多个计算装置实现上述的智能设备的用户身份验证方法。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。